फॉर्मूला 1 (एफ 1) कारें दुनिया में सबसे तेजी से विनियमित रोड-कोर्स रेसिंग वाहन हैं। हालांकि ये ओपन-व्हील ऑटोमोबाइल टॉप-ऑफ़-द-लाइन स्पोर्ट्स कारों की तुलना में केवल 20-30 किलोमीटर (या 12-18 मील) प्रति घंटे तेज हैं, वे शक्तिशाली वायुगतिकीय के कारण कोनों के आसपास पांच गुना तेज गति कर सकते हैं। डाउनफोर्स वे बनाते हैं। निम्नबल वायुगतिकीय सतहों द्वारा उत्पन्न ऊर्ध्वाधर बल है जो कार को सड़क की ओर दबाता है, जिससे टायरों की पकड़ बढ़ जाती है। F1 वायुगतिकीविदों को वायु प्रतिरोध या ड्रैग की भी निगरानी करनी चाहिए, जो सीधी-रेखा की गति को सीमित करता है।
F1 इंजीनियरिंग टीम अगली पीढ़ी की F1 कारों को डिजाइन करने और खेल के लिए तकनीकी विनियमन को एक साथ रखने का प्रभारी है। पिछले 3 वर्षों में, उन्हें एक ऐसी कार डिजाइन करने का काम सौंपा गया है जो वर्तमान उच्च स्तर के डाउनफोर्स और पीक स्पीड को बनाए रखती है, लेकिन दूसरी कार के पीछे ड्राइविंग से भी प्रतिकूल रूप से प्रभावित नहीं होती है। यह महत्वपूर्ण है क्योंकि पिछली पीढ़ी की कारें पंखों और बॉडीवर्क द्वारा उत्पन्न अशांत वेक के कारण किसी अन्य कार के पीछे दौड़ते समय अपने डाउनफोर्स का 50% तक खो सकती हैं।
समय लेने वाली और महंगे ट्रैक या विंड टनल परीक्षणों पर निर्भर होने के बजाय, F1 कम्प्यूटेशनल फ्लूड डायनेमिक्स (CFD) का उपयोग करता है, जो तरल पदार्थों के प्रवाह का अध्ययन करने के लिए एक आभासी वातावरण प्रदान करता है (इस मामले में F1 कार के आसपास की हवा) एक ही हिस्से का निर्माण। CFD के साथ, F1 वायुगतिकीविद विभिन्न ज्यामिति अवधारणाओं का परीक्षण करते हैं, उनके वायुगतिकीय प्रभाव का आकलन करते हैं, और उनके डिजाइनों को पुनरावृत्त रूप से अनुकूलित करते हैं। पिछले 3 वर्षों में, F1 इंजीनियरिंग टीम ने AWS की स्थापना के लिए AWS के साथ सहयोग किया है स्केलेबल और किफ़ायती CFD वर्कफ़्लो जिसने सीएफडी रन के थ्रूपुट को तीन गुना कर दिया है और प्रति रन टर्नअराउंड समय को आधा कर दिया है।
F1 एडब्ल्यूएस मशीन लर्निंग (एमएल) सेवाओं जैसे कि देखने की प्रक्रिया में है अमेज़न SageMaker अतिरिक्त अंतर्दृष्टि के साथ मॉडल बनाने के लिए सीएफडी सिमुलेशन डेटा का उपयोग करके कार के डिजाइन और प्रदर्शन को अनुकूलित करने में मदद करने के लिए। इसका उद्देश्य होनहार डिजाइन दिशाओं को उजागर करना और सीएफडी सिमुलेशन की संख्या को कम करना है, जिससे इष्टतम डिजाइनों में परिवर्तित होने में लगने वाले समय को कम किया जा सके।
इस पोस्ट में, हम बताते हैं कि F1 ने कैसे सहयोग किया AWS व्यावसायिक सेवाएँ एफ1 वायुगतिकीविदों को सलाह देने के लिए एमएल द्वारा संचालित एक बीस्पोक डिजाइन ऑफ एक्सपेरिमेंट्स (डीओई) वर्कफ़्लो विकसित करने के लिए टीम, जिस पर सीखने और प्रदर्शन को अधिकतम करने के लिए सीएफडी में डिजाइन अवधारणाओं का परीक्षण करना है।
समस्या का विवरण
नई वायुगतिकीय अवधारणाओं की खोज करते समय, F1 वायुगतिकीय कभी-कभी डिज़ाइन ऑफ़ एक्सपेरिमेंट्स (DoE) नामक एक प्रक्रिया को नियोजित करते हैं। यह प्रक्रिया व्यवस्थित रूप से कई कारकों के बीच संबंधों का अध्ययन करती है। रियर विंग के मामले में, यह वायुगतिकीय मेट्रिक्स जैसे डाउनफोर्स या ड्रैग के संबंध में विंग कॉर्ड, स्पैन या कैमर हो सकता है। डीओई प्रक्रिया का लक्ष्य डिजाइन स्थान का कुशलतापूर्वक नमूना लेना और इष्टतम परिणाम में परिवर्तित होने से पहले परीक्षण किए गए उम्मीदवारों की संख्या को कम करना है। यह कई डिज़ाइन कारकों को पुनरावृत्त रूप से बदलने, वायुगतिकीय प्रतिक्रिया को मापने, कारकों के बीच प्रभाव और संबंधों का अध्ययन करने और फिर सबसे इष्टतम या सूचनात्मक दिशा में परीक्षण जारी रखने के द्वारा प्राप्त किया जाता है। निम्नलिखित आकृति में, हम एक उदाहरण रियर विंग ज्यामिति प्रस्तुत करते हैं जिसे F1 ने कृपया अपने UNIFORM आधार रेखा से हमारे साथ साझा किया है। चार डिज़ाइन पैरामीटर जिन्हें F1 वायुगतिकीविद् एक DoE रूटीन में जांच सकते हैं, लेबल किए गए हैं।
इस प्रोजेक्ट में, F1 ने DoE रूटीन को बढ़ाने के लिए ML का उपयोग करके जांच करने के लिए AWS प्रोफेशनल सर्विसेज के साथ काम किया। पारंपरिक डीओई विधियों को डिजाइन मापदंडों के बीच संबंध को समझने के लिए एक अच्छी तरह से आबादी वाले डिजाइन स्थान की आवश्यकता होती है और इसलिए बड़ी संख्या में अपफ्रंट सीएफडी सिमुलेशन पर भरोसा करते हैं। एमएल रिग्रेशन मॉडल पिछले सीएफडी सिमुलेशन के परिणामों का उपयोग डिज़ाइन मापदंडों के सेट को दिए गए वायुगतिकीय प्रतिक्रिया की भविष्यवाणी करने के लिए कर सकते हैं, साथ ही आपको प्रत्येक डिज़ाइन चर के सापेक्ष महत्व का संकेत भी दे सकते हैं। आप इन जानकारियों का उपयोग इष्टतम डिजाइनों की भविष्यवाणी करने के लिए कर सकते हैं और डिजाइनरों को कम अग्रिम सीएफडी सिमुलेशन के साथ इष्टतम समाधानों में परिवर्तित करने में मदद कर सकते हैं। दूसरे, आप डेटा विज्ञान तकनीकों का उपयोग यह समझने के लिए कर सकते हैं कि डिज़ाइन स्पेस में किन क्षेत्रों का पता नहीं लगाया गया है और संभावित रूप से इष्टतम डिज़ाइन छिपा सकते हैं।
बीस्पोक एमएल-संचालित डीओई वर्कफ़्लो को स्पष्ट करने के लिए, हम फ्रंट विंग को डिजाइन करने के एक वास्तविक उदाहरण के माध्यम से चलते हैं।
फ्रंट विंग डिजाइन करना
F1 कारें अपने अधिकांश डाउनफोर्स को उत्पन्न करने के लिए आगे और पीछे के पंखों जैसे पंखों पर भरोसा करती हैं, जिसे हम इस पूरे उदाहरण में गुणांक द्वारा संदर्भित करते हैं सी.जेड. इस पूरे उदाहरण में, डाउनफोर्स मूल्यों को सामान्य किया गया है। इस उदाहरण में, F1 वायुगतिकीविदों ने अपनी डोमेन विशेषज्ञता का उपयोग विंग ज्यामिति को निम्नानुसार पैरामीटर करने के लिए किया (एक दृश्य प्रतिनिधित्व के लिए निम्नलिखित आंकड़ा देखें):
- ले-ऊंचाई - अग्रणी किनारे की ऊंचाई
- मिन-जेड - न्यूनतम ग्राउंड क्लीयरेंस
- मध्य-LE-कोण - तीसरे तत्व का अग्रणी धार कोण
- ते-कोण - अनुगामी किनारे कोण
- टीई-ऊंचाई - अनुगामी किनारे की ऊँचाई
यह फ्रंट विंग ज्योमेट्री F1 द्वारा साझा की गई थी और यह UNIFORM बेसलाइन का हिस्सा है।
इन मापदंडों का चयन इसलिए किया गया क्योंकि वे ज्यामिति के मुख्य पहलुओं का कुशलतापूर्वक वर्णन करने के लिए पर्याप्त हैं और क्योंकि अतीत में, वायुगतिकीय प्रदर्शन ने इन मापदंडों के संबंध में उल्लेखनीय संवेदनशीलता दिखाई है। इस डीओई रूटीन का लक्ष्य पांच डिजाइन मापदंडों के संयोजन को खोजना था जो वायुगतिकीय डाउनफोर्स को अधिकतम करेगा (Cz) डिज़ाइन की स्वतंत्रता भी डिज़ाइन मापदंडों के लिए अधिकतम और न्यूनतम मान निर्धारित करके सीमित है, जैसा कि निम्न तालिका में दिखाया गया है।
. | न्यूनतम | अधिकतम |
टीई-ऊंचाई | 250.0 | 300.0 |
ते-कोण | 145.0 | 165.0 |
मध्य-LE-कोण | 160.0 | 170.0 |
मिन-जेड | 5.0 | 50.0 |
ले-ऊंचाई | 100.0 | 150.0 |
डिज़ाइन पैरामीटर, लक्ष्य आउटपुट मीट्रिक, और हमारे डिज़ाइन स्पेस की सीमाओं को स्थापित करने के बाद, हमारे पास DoE रूटीन के साथ शुरुआत करने के लिए आवश्यक सब कुछ है। हमारे समाधान का वर्कफ़्लो आरेख निम्न छवि में प्रस्तुत किया गया है। निम्नलिखित खंड में, हम विभिन्न चरणों में गहराई से गोता लगाते हैं।
डिजाइन स्थान का प्रारंभिक नमूना
डीओई वर्कफ़्लो का पहला चरण सीएफडी में उम्मीदवारों का एक प्रारंभिक सेट चलाना है जो कुशलतापूर्वक डिज़ाइन स्थान का नमूना लेते हैं और हमें प्रत्येक सुविधा के प्रभाव का अध्ययन करने के लिए एमएल रिग्रेशन मॉडल का पहला सेट बनाने की अनुमति देते हैं। सबसे पहले, हम का एक पूल उत्पन्न करते हैं N नमूने का उपयोग लैटिन हाइपरक्यूब नमूनाकरण (एलएचएस) या एक नियमित ग्रिड विधि। फिर, हम चुनते हैं k उम्मीदवारों को लालची इनपुट एल्गोरिथम के माध्यम से सीएफडी में परीक्षण करने के लिए, जिसका उद्देश्य डिजाइन स्थान की खोज को अधिकतम करना है। बेसलाइन उम्मीदवार (वर्तमान डिजाइन) के साथ शुरू करते हुए, हम पहले से परीक्षण किए गए सभी उम्मीदवारों से दूर उम्मीदवारों का चयन करते हैं। मान लीजिए कि हमने पहले ही परीक्षण कर लिया है k डिजाइन; शेष डिज़ाइन उम्मीदवारों के लिए, हम न्यूनतम दूरी पाते हैं d परीक्षण के संबंध में k डिजाइन:
लालची इनपुट एल्गोरिथ्म उस उम्मीदवार का चयन करता है जो पहले परीक्षण किए गए उम्मीदवारों के लिए फीचर स्पेस में दूरी को अधिकतम करता है:
इस डीओई में, हमने तीन लालची इनपुट उम्मीदवारों का चयन किया और उनके वायुगतिकीय डाउनफोर्स का आकलन करने के लिए सीएफडी में भाग लिया (Cz) लालची इनपुट उम्मीदवार डिजाइन स्थान की सीमा का पता लगाते हैं और इस स्तर पर, उनमें से कोई भी वायुगतिकीय डाउनफोर्स के मामले में बेसलाइन उम्मीदवार से बेहतर साबित नहीं हुआ (Cz) सीएफडी परीक्षण के इस प्रारंभिक दौर के परिणाम डिजाइन मापदंडों के साथ निम्न तालिका में प्रदर्शित किए गए हैं।
. | टीई-ऊंचाई | ते-कोण | मध्य-LE-कोण | मिन-जेड | ले-ऊंचाई | सामान्यीकृत Cz |
आधारभूत | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
जीआई 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
जीआई 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
जीआई 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
प्रारंभिक एमएल प्रतिगमन मॉडल
प्रतिगमन मॉडल का लक्ष्य भविष्यवाणी करना है Cz पांच डिजाइन मापदंडों के किसी भी संयोजन के लिए। इतने छोटे डेटासेट के साथ, हमने ओवरफिटिंग से बचने के लिए सरल मॉडल, लागू मॉडल नियमितीकरण को प्राथमिकता दी, और जहां संभव हो विभिन्न मॉडलों की भविष्यवाणियों को जोड़ा। निम्नलिखित एमएल मॉडल का निर्माण किया गया:
- साधारण जानवर वर्ग (OLS)
- आरबीएफ कर्नेल के साथ वेक्टर रिग्रेशन (एसवीएम) का समर्थन करें
- मैटर्न कर्नेल के साथ गाऊसी प्रोसेस रिग्रेशन (GP)
- एक्सजीबूस्ट
इसके अलावा, एक दो-स्तरीय स्टैक्ड मॉडल बनाया गया था, जहां जीपी, एसवीएम, और एक्सजीबीओस्ट मॉडल की भविष्यवाणियों को अंतिम प्रतिक्रिया देने के लिए एक लासो एल्गोरिथम द्वारा आत्मसात किया जाता है। इस मॉडल को इस पूरे पोस्ट के रूप में संदर्भित किया गया है स्टैक्ड मॉडल. हमारे द्वारा वर्णित पांच मॉडलों की भविष्य कहनेवाला क्षमताओं को रैंक करने के लिए, एक बार-बार k- गुना क्रॉस सत्यापन दिनचर्या लागू की गई थी।
CFD में परीक्षण के लिए अगला डिज़ाइन उम्मीदवार तैयार करना
आगे किस उम्मीदवार का परीक्षण करना है, इसका चयन सावधानीपूर्वक विचार करने की आवश्यकता है। F1 वायुगतिकीविद् को डिजाइन स्थान के अज्ञात क्षेत्रों का पता लगाने में विफल रहने की लागत के साथ उच्च डाउनफोर्स प्रदान करने के लिए एमएल मॉडल द्वारा अनुमानित शोषण विकल्पों के लाभ को संतुलित करना चाहिए, जो और भी अधिक डाउनफोर्स प्रदान कर सकता है। इस कारण से, इस DoE रूटीन में, हम तीन उम्मीदवारों का प्रस्ताव करते हैं: एक प्रदर्शन-संचालित और दो अन्वेषण-संचालित। अन्वेषण-संचालित उम्मीदवारों का उद्देश्य डिज़ाइन स्थान के उन क्षेत्रों में एमएल एल्गोरिथम को अतिरिक्त डेटा बिंदु प्रदान करना भी है जहां भविष्यवाणी के आसपास अनिश्चितता सबसे अधिक है। यह बदले में डिजाइन पुनरावृत्ति के अगले दौर में अधिक सटीक भविष्यवाणियां करता है।
डाउनफोर्स को अधिकतम करने के लिए जेनेटिक एल्गोरिथम अनुकूलन
उच्चतम अपेक्षित वायुगतिकीय डाउनफोर्स वाले उम्मीदवार को प्राप्त करने के लिए, हम सभी संभावित डिजाइन उम्मीदवारों पर एक भविष्यवाणी चला सकते हैं। हालांकि, यह कुशल नहीं होगा। इस अनुकूलन समस्या के लिए, हम एक आनुवंशिक एल्गोरिथम (GA) का उपयोग करते हैं। लक्ष्य एक विशाल समाधान स्थान के माध्यम से कुशलतापूर्वक खोज करना है (एमएल भविष्यवाणी के माध्यम से प्राप्त) Cz) और सबसे इष्टतम उम्मीदवार लौटाएं। समाधान स्थान जटिल और गैर-उत्तल होने पर जीए फायदेमंद होते हैं, ताकि शास्त्रीय अनुकूलन विधियां जैसे कि ग्रेडिएंट डिसेंट वैश्विक समाधान खोजने के लिए एक अप्रभावी साधन हैं। GA विकासवादी एल्गोरिदम का एक सबसेट है और खोज समस्या को हल करने के लिए प्राकृतिक चयन, आनुवंशिक क्रॉसओवर और उत्परिवर्तन से अवधारणाओं से प्रेरित है। पुनरावृत्तियों की एक श्रृंखला (पीढ़ी के रूप में जाना जाता है) पर, डिजाइन उम्मीदवारों के प्रारंभिक रूप से यादृच्छिक रूप से चयनित सेट के सर्वश्रेष्ठ उम्मीदवारों को संयुक्त किया जाता है (बहुत कुछ प्रजनन की तरह)। आखिरकार, यह तंत्र आपको कुशल तरीके से सबसे इष्टतम उम्मीदवारों को खोजने की अनुमति देता है। जीए के बारे में अधिक जानकारी के लिए देखें अनुकूलन समस्याओं के लिए AWS पर आनुवंशिक एल्गोरिदम का उपयोग करना.
अन्वेषण-संचालित उम्मीदवारों को उत्पन्न करना
जिसे हम अन्वेषण-संचालित उम्मीदवार कहते हैं, उसे उत्पन्न करने में, एक अच्छी नमूनाकरण रणनीति को की स्थिति के अनुकूल होने में सक्षम होना चाहिए प्रभाव विरलता, जहां पैरामीटर का केवल एक सबसेट समाधान को महत्वपूर्ण रूप से प्रभावित करता है। इसलिए, नमूनाकरण रणनीति को उम्मीदवारों को इनपुट डिज़ाइन स्पेस में फैलाना चाहिए, लेकिन अनावश्यक सीएफडी रन से भी बचना चाहिए, ऐसे परिवर्तनशील चर जो प्रदर्शन पर बहुत कम प्रभाव डालते हैं। नमूनाकरण रणनीति को एमएल रजिस्ट्रार द्वारा अनुमानित प्रतिक्रिया सतह को ध्यान में रखना चाहिए। अन्वेषण-संचालित उम्मीदवारों को प्राप्त करने के लिए दो नमूनाकरण रणनीतियों को नियोजित किया गया था।
गाऊसी प्रक्रिया रजिस्टरों (जीपी) के मामले में, मानक विचलन अनुमानित प्रतिक्रिया सतह का उपयोग मॉडल की अनिश्चितता के संकेत के रूप में किया जा सकता है। नमूनाकरण रणनीति में के पूल से बाहर का चयन करना शामिल है N नमूने , उम्मीदवार जो अधिकतम करता है . ऐसा करके, हम डिज़ाइन स्थान के उस क्षेत्र में नमूना ले रहे हैं जहाँ प्रतिगामी अपनी भविष्यवाणी के बारे में कम से कम आश्वस्त है। गणितीय शब्दों में, हम उस उम्मीदवार का चयन करते हैं जो निम्नलिखित समीकरण को संतुष्ट करता है:
वैकल्पिक रूप से, हम एक लालची इनपुट और आउटपुट नमूना रणनीति को नियोजित करते हैं, जो फीचर स्पेस में और प्रस्तावित उम्मीदवार और पहले से परीक्षण किए गए डिज़ाइनों के बीच प्रतिक्रिया स्थान में दोनों दूरी को अधिकतम करता है। यह निपटता है प्रभाव विरलता स्थिति क्योंकि कम प्रासंगिकता के डिज़ाइन पैरामीटर को संशोधित करने वाले उम्मीदवारों की प्रतिक्रिया समान होती है, और इसलिए प्रतिक्रिया सतह में दूरी न्यूनतम होती है। गणितीय शब्दों में, हम उस उम्मीदवार का चयन करते हैं जो निम्नलिखित समीकरण को संतुष्ट करता है, जहां फ़ंक्शन f एमएल प्रतिगमन मॉडल है:
उम्मीदवार चयन, सीएफडी परीक्षण, और अनुकूलन लूप
इस स्तर पर, उपयोगकर्ता को प्रदर्शन-संचालित और अन्वेषण-संचालित उम्मीदवारों दोनों के साथ प्रस्तुत किया जाता है। अगले चरण में प्रस्तावित उम्मीदवारों के एक सबसेट का चयन करना, उन डिज़ाइन मापदंडों के साथ सीएफडी सिमुलेशन चलाना और वायुगतिकीय डाउनफोर्स प्रतिक्रिया को रिकॉर्ड करना शामिल है।
इसके बाद, DoE वर्कफ़्लो एमएल रिग्रेशन मॉडल को फिर से प्रशिक्षित करता है, जेनेटिक एल्गोरिथम ऑप्टिमाइज़ेशन चलाता है, और प्रदर्शन-चालित और अन्वेषण-संचालित उम्मीदवारों के एक नए सेट का प्रस्ताव करता है। उपयोगकर्ता प्रस्तावित उम्मीदवारों का एक सबसेट चलाता है और स्टॉपिंग मानदंड पूरा होने तक इस तरह से पुनरावृति जारी रखता है। स्टॉपिंग मानदंड आम तौर पर तब मिलते हैं जब एक उम्मीदवार को इष्टतम समझा जाता है।
परिणाम
निम्नलिखित आकृति में, हम सामान्यीकृत वायुगतिकीय डाउनफोर्स को रिकॉर्ड करते हैं (Cz) सीएफडी सिमुलेशन (नीला) से और डीओई वर्कफ़्लो के प्रत्येक पुनरावृत्ति के लिए पसंद के एमएल रिग्रेशन मॉडल (गुलाबी) का उपयोग करके पहले से भविष्यवाणी की गई थी। लक्ष्य वायुगतिकीय डाउनफोर्स को अधिकतम करना था (Cz) पहले चार रन (लाल रेखा के बाईं ओर) आधार रेखा थे और तीन लालची इनपुट उम्मीदवारों को पहले उल्लिखित किया गया था। वहां से, प्रदर्शन-संचालित और अन्वेषण-संचालित उम्मीदवारों के संयोजन का परीक्षण किया गया। विशेष रूप से, पुनरावृत्तियों 6 और 8 के उम्मीदवार खोजपूर्ण उम्मीदवार थे, दोनों बेसलाइन उम्मीदवार (पुनरावृत्ति 1) की तुलना में निम्न स्तर के डाउनफोर्स दिखा रहे थे। जैसा कि अपेक्षित था, जैसा कि हमने अधिक उम्मीदवारों को दर्ज किया, एमएल भविष्यवाणी तेजी से सटीक हो गई, जैसा कि अनुमानित और वास्तविक के बीच घटती दूरी से दर्शाया गया है सी.जेड. पुनरावृत्ति 9 पर, डीओई वर्कफ़्लो बेसलाइन के समान प्रदर्शन के साथ एक उम्मीदवार को खोजने में कामयाब रहा, और पुनरावृत्ति 12 पर, डीओई वर्कफ़्लो का निष्कर्ष निकाला गया जब प्रदर्शन-संचालित उम्मीदवार ने बेसलाइन को पार कर लिया।
परिणामी सामान्यीकृत डाउनफोर्स मान के साथ अंतिम डिज़ाइन पैरामीटर निम्न तालिका में प्रस्तुत किए गए हैं। बेसलाइन उम्मीदवार के लिए सामान्यीकृत डाउनफोर्स स्तर 0.975 था, जबकि डीओई वर्कफ़्लो के लिए इष्टतम उम्मीदवार ने 1.000 का सामान्यीकृत डाउनफोर्स स्तर दर्ज किया। यह एक महत्वपूर्ण 2.5% सापेक्ष वृद्धि है।
संदर्भ के लिए, पांच चर के साथ एक पारंपरिक डीओई दृष्टिकोण के लिए एक इष्टतम भविष्यवाणी करने के लिए पर्याप्त फिट प्राप्त करने से पहले 25 अपफ्रंट सीएफडी सिमुलेशन की आवश्यकता होगी। दूसरी ओर, यह सक्रिय शिक्षण दृष्टिकोण 12 पुनरावृत्तियों में एक इष्टतम में परिवर्तित हो गया।
. | टीई-ऊंचाई | ते-कोण | मध्य-LE-कोण | मिन-जेड | ले-ऊंचाई | सामान्यीकृत Cz |
आधारभूत | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
इष्टतम | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
फ़ीचर महत्व
भविष्य कहनेवाला मॉडल के लिए सापेक्ष विशेषता महत्व को समझना डेटा में एक उपयोगी अंतर्दृष्टि प्रदान कर सकता है। यह कम महत्वपूर्ण चर को हटाकर फीचर चयन में मदद कर सकता है, जिससे समस्या की आयामीता को कम किया जा सकता है और विशेष रूप से छोटे डेटा शासन में प्रतिगमन मॉडल की भविष्य कहनेवाला शक्तियों में सुधार हो सकता है। इस डिजाइन समस्या में, यह F1 वायुगतिकीविदों को एक अंतर्दृष्टि प्रदान करता है जिसमें चर सबसे संवेदनशील होते हैं और इसलिए अधिक सावधानीपूर्वक ट्यूनिंग की आवश्यकता होती है।
इस रूटीन में, हमने एक मॉडल-अज्ञेय तकनीक लागू की जिसे कहा जाता है क्रमपरिवर्तन महत्व. प्रत्येक चर के सापेक्ष महत्व को अकेले उस चर के मानों को बेतरतीब ढंग से फेरबदल करने के बाद मॉडल की भविष्यवाणी त्रुटि में वृद्धि की गणना करके मापा जाता है। यदि मॉडल के लिए एक विशेषता महत्वपूर्ण है, तो भविष्यवाणी त्रुटि बहुत बढ़ जाती है, और इसके विपरीत कम महत्वपूर्ण सुविधाओं के लिए। निम्नलिखित आंकड़े में, हम वायुगतिकीय डाउनफोर्स की भविष्यवाणी करने वाले गाऊसी प्रोसेस रेजिस्टर (जीपी) के लिए क्रमपरिवर्तन महत्व प्रस्तुत करते हैं (Cz) अनुगामी किनारे की ऊँचाई (TE-Height) को सबसे महत्वपूर्ण माना गया।
निष्कर्ष
इस पोस्ट में, हमने बताया कि कैसे F1 वायुगतिकीय उपन्यास वायुगतिकीय ज्यामिति डिजाइन करते समय DoE वर्कफ़्लो में ML प्रतिगमन मॉडल का उपयोग कर रहे हैं। एडब्ल्यूएस प्रोफेशनल सर्विसेज द्वारा विकसित एमएल-पावर्ड डीओई वर्कफ़्लो अंतर्दृष्टि प्रदान करता है जिसमें डिज़ाइन पैरामीटर प्रदर्शन को अधिकतम करेंगे या डिज़ाइन स्पेस में अज्ञात क्षेत्रों का पता लगाएंगे। एक ग्रिड खोज फैशन में सीएफडी में उम्मीदवारों का पुनरावृत्त परीक्षण करने के विपरीत, एमएल-संचालित डीओई वर्कफ़्लो कम पुनरावृत्तियों में इष्टतम डिज़ाइन पैरामीटर में अभिसरण करने में सक्षम है। इससे समय और संसाधन दोनों की बचत होती है क्योंकि कम CFD सिमुलेशन की आवश्यकता होती है।
चाहे आप एक फ़ार्मास्यूटिकल कंपनी हों जो रासायनिक संरचना अनुकूलन को गति देना चाहते हों या एक निर्माण कंपनी जो सबसे मजबूत डिज़ाइनों के लिए डिज़ाइन आयामों की तलाश कर रही हो, DoE वर्कफ़्लोज़ इष्टतम उम्मीदवारों तक अधिक कुशलता से पहुँचने में मदद कर सकते हैं। एडब्ल्यूएस प्रोफेशनल सर्विसेज आपकी टीम को विशेष एमएल कौशल और अनुभव के साथ पूरक करने के लिए तैयार है ताकि डीओई वर्कफ़्लो को सुव्यवस्थित करने और बेहतर व्यावसायिक परिणाम प्राप्त करने में आपकी सहायता करने के लिए टूल विकसित किया जा सके। अधिक जानकारी के लिए देखें AWS व्यावसायिक सेवाएँ, या संपर्क करने के लिए अपने खाता प्रबंधक के माध्यम से संपर्क करें।
लेखक के बारे में
पाब्लो हर्मोसो मोरेनो एडब्ल्यूएस प्रोफेशनल सर्विसेज टीम में डेटा साइंटिस्ट हैं। वह डेटा के साथ कहानियां सुनाने और अधिक सूचित इंजीनियरिंग निर्णयों तक तेजी से पहुंचने के लिए मशीन लर्निंग का उपयोग करके उद्योगों में ग्राहकों के साथ काम करता है। पाब्लो की पृष्ठभूमि एयरोस्पेस इंजीनियरिंग में है और मोटरस्पोर्ट उद्योग में काम करने के बाद उन्हें एमएल के साथ भौतिकी और डोमेन विशेषज्ञता को पाटने में रुचि है। अपने खाली समय में, वह नौकायन और गिटार बजाना पसंद करते हैं।
- कॉइनस्मार्ट। यूरोप का सर्वश्रेष्ठ बिटकॉइन और क्रिप्टो एक्सचेंज।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। नि: शुल्क प्रवेश।
- क्रिप्टोहॉक। Altcoin रडार। मुफ्त परीक्षण।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- About
- लेखा
- सही
- पाना
- हासिल
- के पार
- सक्रिय
- इसके अलावा
- अतिरिक्त
- एयरोस्पेस
- कलन विधि
- एल्गोरिदम
- सब
- पहले ही
- हालांकि
- वीरांगना
- अन्य
- दृष्टिकोण
- चारों ओर
- एडब्ल्यूएस
- पृष्ठभूमि
- आधारभूत
- से पहले
- जा रहा है
- लाभ
- BEST
- निर्माण
- व्यापार
- उम्मीदवार
- उम्मीदवारों
- क्षमताओं
- कार
- कारों
- प्रभार
- रासायनिक
- चुनाव
- ग्राहकों
- संयोजन
- संयुक्त
- कंपनी
- जटिल
- आश्वस्त
- विचार
- जारी
- मिलना
- सका
- बनाना
- वर्तमान
- तिथि
- डेटा विज्ञान
- आँकड़े वाला वैज्ञानिक
- निर्णय
- वर्णन
- वर्णित
- डिज़ाइन
- डिज़ाइन बनाना
- डिजाइन
- विकसित करना
- विकसित
- विभिन्न
- दूरी
- डोमेन
- ड्राइविंग
- गतिकी
- Edge
- प्रभाव
- कुशल
- कुशलता
- अभियांत्रिकी
- वातावरण
- स्थापित
- उदाहरण
- अपेक्षित
- अनुभव
- विशेषज्ञता
- अन्वेषण
- का पता लगाने
- कारकों
- फैशन
- फास्ट
- और तेज
- Feature
- विशेषताएं
- आकृति
- प्रथम
- फिट
- प्रवाह
- निम्नलिखित
- इस प्रकार है
- स्वतंत्रता
- सामने
- समारोह
- गैस
- आम तौर पर
- उत्पन्न
- सृजन
- पीढ़ी
- पीढ़ियों
- वैश्विक
- लक्ष्य
- अच्छा
- GP
- बहुत
- ग्रिड
- होने
- ऊंचाई
- मदद
- छिपाना
- हाई
- उच्चतर
- कैसे
- तथापि
- HTTPS
- विशाल
- की छवि
- प्रभाव
- कार्यान्वित
- महत्व
- महत्वपूर्ण
- में सुधार लाने
- बढ़ना
- बढ़ती
- तेजी
- उद्योग
- प्रभाव
- करें-
- जानकारीपूर्ण
- सूचित
- निवेश
- अन्तर्दृष्टि
- अंतर्दृष्टि
- प्रेरित
- ब्याज
- जांच
- IT
- जानने वाला
- बड़ा
- प्रमुख
- बिक्रीसूत्र
- सीख रहा हूँ
- स्तर
- सीमित
- लाइन
- थोड़ा
- देख
- मशीन
- यंत्र अधिगम
- कामयाब
- प्रबंधक
- ढंग
- विनिर्माण
- गणितीय
- साधन
- तरीकों
- मेट्रिक्स
- हो सकता है
- न्यूनतम
- ML
- आदर्श
- मॉडल
- मॉनिटर
- अधिक
- अधिकांश
- मोटरस्पोर्ट
- विभिन्न
- प्राकृतिक
- संख्या
- प्राप्त
- इष्टतमीकरण
- ऑप्टिमाइज़ करें
- इष्टतम
- ऑप्शंस
- आदेश
- अन्य
- भाग
- विशेष
- विशेष रूप से
- प्रदर्शन
- फार्मास्युटिकल
- भौतिक विज्ञान
- खेल
- अंक
- पूल
- संभव
- शक्तिशाली
- भविष्यवाणी करना
- भविष्यवाणी
- भविष्यवाणियों
- वर्तमान
- पिछला
- मुसीबत
- प्रक्रिया
- उत्पादन
- पेशेवर
- परियोजना
- होनहार
- प्रस्ताव
- प्रस्तावित
- प्रदान करना
- प्रदान करता है
- उद्देश्य
- रेसिंग
- पहुंच
- रिकॉर्ड
- को कम करने
- को कम करने
- नियमित
- विनियमन
- संबंध
- शेष
- प्रतिनिधित्व
- प्रजनन
- की आवश्यकता होती है
- अपेक्षित
- की आवश्यकता होती है
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- परिणाम
- वापसी
- दौर
- रन
- दौड़ना
- विज्ञान
- वैज्ञानिक
- Search
- चयनित
- कई
- सेवाएँ
- सेट
- की स्थापना
- साझा
- दिखाया
- समान
- सरल
- अनुकार
- कौशल
- छोटा
- So
- समाधान
- समाधान ढूंढे
- हल
- अंतरिक्ष
- विशेषीकृत
- गति
- खेल
- खेल-कूद
- विस्तार
- ट्रेनिंग
- चरणों
- मानक
- शुरू
- कहानियों
- रणनीतियों
- स्ट्रेटेजी
- पढ़ाई
- अध्ययन
- बेहतर
- सतह
- लक्ष्य
- टीम
- तकनीकी
- तकनीक
- परीक्षण
- परीक्षण
- परीक्षण
- दुनिया
- इसलिये
- यहाँ
- भर
- पहर
- बहुत समय लगेगा
- बार
- टायर
- एक साथ
- उपकरण
- स्पर्श
- की ओर
- ट्रैक
- परंपरागत
- उजागर
- समझना
- us
- उपयोग
- सत्यापन
- मूल्य
- वाहन
- वास्तविक
- क्या
- विकिपीडिया
- हवा
- बिना
- काम किया
- कार्य
- विश्व
- होगा
- साल